学习分析视角下的远程教学交互分析案例研究，本文主要内容关键词为：视角论文,案例论文,远程教学论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：G434
文献标识码：A
文章编号：1006—9860(2012)11—0040—07
一、背景
信息与通讯技术(ICT)承载着远程教学活动，对远程教学的成效有着重要影响。在网络与移动技术快速发展的大背景之下，用户数据正在引起越来越多研究者和实践者的重视。网络与移动技术广泛应用而带来的海量数据为用户交互过程的分析带来了前所未有的丰富素材，大数据时代的远程教育研究正在快速发展变化之中。
Web2.0的提出者O’Reilly提出了Web Squared(即Web2)[1]这一概念，以描绘互联网的发展图景以及数据在其中的重要作用。在保留“去中心化”“网络即平台”“汇集群体智慧”等Web2.0核心观念的基础上，Web Squared着重强调了移动技术带来的新趋势及其对群体智慧的影响。两种新的技术发展趋势在Web Squared中得到了强调，即传感器和智能手机。这两种技术都与数据密切相关。其中，传感器为数据采集提供了新的途径和内容。而智能手机正逐渐取代计算机，成为综合性数字终端，覆盖学习生活中的各种常见应用。这两种技术对Web平台产生了重要影响，具体体现在用户生成数据量激增、用户间联系日益紧密、用户行为对Web平台设计产生了重要影响，而用户的在线行为数据是这些影响产生的基础。
2011年，投资过Google、Amazon等互联网企业的著名资深风险投资人John Doerr提出了SOLOMO(即Social，Local and Mobile)在全球信息技术产业界引起了广泛共鸣[2]。移动、社交、基于位置等特性成为了公认的Web应用发展趋势。
无论是Web Squared还是SOLOMO都体现出了技术发展的新趋势，以及信息随之产生的新特性，即实时化、碎片化和海量化。其中，实时性体现在信息更新速度越来越快，向着实时性的方向发展。例如，与博客相比，微博中的信息更新速度显著加快。同时，用户生成内容的信息量不断变小，碎片化趋势显著，并从文本的碎片化(如微博)，发展到了多媒体信息的碎片化(如微视频)。在实时化和碎片化的共同作用之下，用户生成的数据量激增，信息过载现象日益严重。例如，微博用户常常会面对大量转发、评论和新增内容，如何从这些信息中发现真正有价值的内容无疑是一个巨大的挑战。
技术的发展趋势及其传播特性都预示着海量数据的产生。对于远程教育而言，这些数据可以成为揭示远程学习规律的重要依据，为适应性学习(Adaptive Learning)提供了新的可能性。在此背景下，一个新兴研究领域——学习分析(Learning Analytics)在近两年正逐渐引起研究者的重视。如何在远程教育中引入学习分析，从而更为深入全面地解析远程教学交互过程正成为全球远程教育领域的研究热点之一。
二、快速发展的学习分析
1.学习分析的定义
学习分析(Learning Analytics)是当前发展最为迅速的技术支持下的学习(Technology-enhanced Learning)研究领域之一[3]，可以为个人、教师和教育机构提供更多的实证性依据，以支持学习、教学和教育决策，从而有可能改变教育研究中数据支持不足这一备受质疑的困境。
在学习分析领域中，远程教育研究者扮演了重要的角色。来自全球著名远程教育研究机构，如英国开发大学和加拿大阿萨巴斯卡大学等机构的研究者在此领域中做出了令人瞩目的前期研究。英国开放大学知识媒体研究所2011年和2012年连续推出了《社会学习分析报告》(Social Learning Analytics)和《学习分析现状报告》(The State of Learning Analytics in 2012：A Review and Future Challenges)[4]。联通主义的主要提出者，西门斯(Siemens)则撰写了《穿过迷雾：教与学的分析》(Penetrating the Fog：Analytics in learning and education)等一系列文章[5]。
在对学习分析的各种定义中，数据都被表示为重要的前提。著名的《地平线报告》在2012版中将学习分析定义为：通过收集自学生的大量数据进行分析，从而对其学术表现进行评价和预测，并发现潜在的问题[6]。2011年，西门斯为主要召集人的学习分析学会(The Society for Learning Analytics，SoLAR)在第一届学习与知识分析大会中将学习分析定义为“测量、收集、分析、报告学习者及其学习情境的相关数据，以促进对学习过程的理解，并对学习及其发生的环境进行优化。”[7]可以看出，这两个定义在内容上虽然各有侧重但并不相互冲突。其中，最后一个定义较为完整地概括了学习分析的过程和任务。笔者在本文中对于学习分析的讨论将基于这一定义展开。
从这些定义可以看出，过程性数据是学习分析发展的一个重要基础。在基于网络的远程教学过程中，各种支持学习活动的系统和平台中都积累了此类数据。这些数据记录着学习者的学习过程和学习状态。如果能够通过适当的方式，对这些数据进行整理、分析和呈现，则有可能为学习评价和学习干预提供更多更准确的依据，从而更为有效地促进学习过程。
2.学习分析的发展
学习分析的源头可以追溯到基于用户活动日志的网络数据挖掘。分析(Analytics)这一概念代表了数据驱动下的决策支持，基于数据的决策是分析的目标[8]。
学习分析的发展与教育数据挖掘(Educational Data Mining，EDM)有着密切联系。但两者又有所不同。美国教育部的学习分析报告中对两者进行了比较，指出教育数据挖掘重视模型算法和关联规则的建立和优化，而学习分析则重视基于教学原则的学习过程分析，以此为依据进行形成性评价、对指导性学习干预，并促进定制(Tailor Made)学习[9]。
随着学习分析的兴起，其范畴呈现快速延展的趋势，并出现了边界模糊的问题。研究者开始定义学习分析所包含的具体领域和各类研究，以明确学习分析领域的内涵和外延。
英国开放大学知识媒体研究所2012年发布的《学习分析现状报告》(The State of Learning Analytics in 2012：A Review and Future Challenges)[10]指出学习分析包含三个领域，分别是：
(1)教育数据挖掘(Educational Data Mining)：主要着眼技术，关注如何从现有的大量学习分析的相关数据中发现价值；
(2)学习分析(Learning Analytics)：主要着眼教育，关注如何优化在线学习过程；
(3)学术分析(Academic Analytics)：又称行动分析(Action Analytics)，着眼于政治和经济变化，关注如何在国家和国际层面上持续改善学习条件和教育成效。
根据学习分析的不同任务，Shum和Ferguson(2011)在《社会学习分析》(Social Learning Analytics)中把学习分析划分为五种类型，分别为学习网络分析(Learning Network Analysis)、学习对话分析(Learning Discourse Analysis)、学习内容分析(Learning Content Analysis)、学习气质分析(Learning Dispositions Analysis)、学习情境分析(Learning Context Analysis)。
其中，对话分析和内容分析在对言语内容分析方面有很大的交集。其中对话分析较为偏重通过语言学理论对语义进行分析，在一定程度上可以实现机器支持下的自动处理。而内容分析则偏重从教育的视角对意义建构等过程进行分析。同时，内容分析并不限于对文本的分析，还包括对音视频等多媒体内容的分析。在内容分析和对话分析中，Shum和 Ferguson不断提及Tag的重要性。这种通过群体参与实现的大众分类法有助于对在线交互进行全面的分析。学习气质分析提供了一种表征什么样的学习者才是优秀学习者的方式。与学习风格不同，学习气质有很大的情境相关性[11]。学习情境分析指学习者所处的学习环境的综合情况，如实时的还是非实时的，个体、群组还是班级等等。
通过现有对学习分析所包含的领域及其分类的研究可以看出。学习分析并不是一个全新事物。它包含着一些既有的研究方法，如内容分析、社会网络；也包含着既有的分析技术，如数据挖掘。但与之前分立的各种理论和方法相比，学习分析正试图建立起一个更为完整的框架，在教学原则的基础上对各种理论和方法进行整合，从而对在线学习过程进行全面的解释，并在此基础上对各种教学决策进行支持。大数据则是学习分析产生和发展的前提。在试图融合多种理论和方法的过程中，学习分析领域的整体图景尚不够清晰，分析框架的构成也在探索之中。
3.学习分析中的技术
由于涉及数据的收集、整理、分析和呈现，学习分析与技术工具有密切的关联。在学习分析过程中的各个环节都需要多种技术手段的支持。在学习分析所采用的技术方面研究者有两类观点，即分离工具和整合工具。
以Shum和Ferguson为代表的研究者为各种类型的学习分析任务提供了不同的工具。笔者通过下表对其中的主要工具进行介绍。在报告中，Shum和 Ferguson仅列出了前四类学习分析的相关工具。对于最后一类工具学习情境分析，由于其复杂性，目前还没有工具能够对其进行分析。
Siemens等人则为学习分析提出了一个模块化系统设计思路。基于一个模块化设计的开源平台，各种学习分析功能可以以组件和服务的形式被不断添加进来。从而建立一个完整的学习分析系统[12]。
整个系统构成见图1，其中最核心的部分包括：
图1 模块化整合学习分析系统结构
(1)分析引擎(Analytics Engine)
整合不同分析组件开展数据分析，如对在线论坛中的讨论情况进行分析需要多种分析组件的整合，包括自然语言分析模块、社会网络分析模块和基于行为挖掘的交互过程分析模块等。
(2)适应性学习和个性化引擎(Learning Adaptation and Personalization Engine)
包括适应性的学习过程、教学设计和学习内容，可以结合分析引擎的分析结论、学习者档案、学习管理系统中的学习行为、社会媒体中的交互行为等为学习者推送学习内容。
(3)干预引擎(the Intervention Engine)
跟踪学习者的学习过程，通过预测模型对其进行干预，如学习内容、学习路径、学习伙伴和导师等。根据预测模型和分析结果，不同的学习资源、社会性联系和学习策略将提供给学习者。
(4)仪表盘(the Dashboard)
将学习分析的结果通过可视化的形式进行表述和显示，对不同用户(如教师和学习者)将显示不同内容。同时，根据用户的需要，点击该仪表盘可以显示详细信息，呈现每一类学习分析的细节。以学习者角度为例，通过分析学习者可以了解到自己在远程协作中的表现，自身的人际网络、知识网络，甚至自己的情绪状态。这些信息是根据学习者的在线活动数据动态分析的结果。
通过以上介绍可以发现，西门斯所提出的模块化学习分析系统设计是一个较为完备的学习分析实现方案，可以为学习管理系统(LMS)的开发者提供借鉴。可以预见，对数据进行系统化分析和呈现将成为未来LMS发展的重要趋势。但系统化设计需要投入大量时间和资源进行开发，对一般研究者和教师而言难以企及。相比较而言，工具软件，特别是开源工具，有助于广大研究者和实践者在更为广泛的教学研究中开展学习分析，从而对在线教学产生积极影响。
三、远程教学交互分析研究现状
1.远程教学交互
交互是远程教学不可或缺的一部分，在远程教育领域，交互研究历来是一个热点领域，是认识远程教学规律的重要途径[13-15]。
对于交互的研究始于人与人之间的交互。Daniel和Marquis将交互定义为在一种受限条件下发生的学生与他人的双向交流[16]。Wagner将交互的定义进行了扩展，使之更为抽象，将技术特性包含其中。 Wagner认为交互是一种互惠性事件(Reciprocal)，需要至少两个对象参与其中，并发生两种行为。当对象之间相互影响时，交互就发生了。Thrumond和 Wombach将远程教育中的交互的目标描述为内容驱动的，“学习者积极投入到内容学习中，与其他学习者和指导者的交流中，课程中所使用的各种媒体的交互中。最终，交互的目标是增进对课程内容的理解，或掌握预设的学习目标”[17]。陈丽教授提出了教学交互的概念，指出教学交互本质上是学习过程中，以学习者对学习内容产生正确意义建构为目的，学习者与学习环境之间的相互交流和相互作用，其内涵是一种发生在学生和学习环境之间的事件，包括学生和教师，以及学生和学生之间的交流，也包括学生和各种物化的资源之间的相互交流和相互作用[18]。
在交互的分类方面，穆尔的交互分类是最被普遍接受的分类方式。穆尔将交互分为三类，即学习者与内容、学习者与指导者、学习者与学习者[19]。Laurillard将交互分为学生与媒体界面的交互、学生与学生的交互、学生与教师的交互、学生与学习资料的交互四类。 Anderson在这三种交互的基础上，增加了指导者与内容、指导者与指导者、内容与内容的交互[20]。但这三类交互不经常直接发生在教学过程之中，相关研究较少。陈丽教授通过交互层次塔将交互分为不同的层级，由低到高分别为操作交互、信息交互和概念交互。其中，信息交互包括学生与教师、学生与学生和学生与学习资源的交互。通过各种交互分类可以看出，生生交互、师生交互和学生与资源的交互是各位研究者对于交互分类的共识，这些交互构成了远程教学交互过程的主体。
2.远程教学交互的分析方法
远程交互过程的分析以内容分析和社会网络分析为主。基于文本内容分析始于对论坛等工具中所产生的文本。研究者最初采用对不同层次的参与进行量化统计的方式进行分析。后期，内容分析逐渐转向对工具所记录下来的在线文本内容。基于文字的在线交互包含丰富的信息，包括社会交往的动态过程、学习策略的采用和知识技巧的学习，以及知识的社会建构过程。
内容分析是远程教育交互分析的重要方法。值得注意的是，远程交互特别是在Web2.0支持下的交互中，除去文本性的交互之外，尚有大量非文本类型的交互，比如社会网络类工具中的用户之间的好友关系的建立，Wiki中的对词条的查看、取回和修改等。在对Web2.0工具支持下的交互进行分析时，如果仅从文本的角度进行分析，无疑会遗漏大量的交互信息，使交互分析的结论有所偏差。
社会网络分析是另一种远程交互分析的重要方法，通过以图论为核心的数学模型解释个体在特定群体活动中的交互情况。其作用体现在：首先，社会网络分析有助于了解远程学习中的整体互动形态，如学习过程的整体互动水平如何。再者，社会网络分析有助于发现学习过程中的特殊群体与个体。例如，远程学习中形成的小团体(Clique)，核心参与者、边缘参与者和桥等。王陆、胡勇等研究者通过社会网络分析对以论坛为主的虚拟社区在线交互进行了分析[21][22]。
社会网络分析作为一种新兴的交互研究方法，在应用中也存在一些局限。第一，以矩阵为基础的网络图示偏重交互的量(频次)，难以体现交互的质(深度)。第二，社会网络分析描述的是社会网络在某一时间点的静态结构，难以对网络的形成和演化过程进行有效解释。第三，缺乏实用性框架对交互中的弱联系和强联系进行描述。
通过对远程教学交互分析相关研究的总结可以看出，单一分析方法在交互分析中有着较大的局限性。特别是在Web2.0工具在教学中日益广泛应用的今天，传统分析方法的局限正越来越凸显出来。基于行为数据的、多种方法相整合的学习分析可以成为交互分析的新途径。以下将通过一个案例研究介绍应用学习分析的思路对远程教学过程的分析过程。
四、案例研究
1.研究目的
本研究的目的是应用学习分析的思路，在开源平台和工具的支持下，通过行为数据分析远程教学交互过程。
本案例试图展示一个进行学习分析的开源案例，在案例分析中所涉及的平台和工具均为免费或开源软件。这些软件的获取和使用门槛均较低，可以供远程教育的研究者和实践者采用。同时，本案例更多偏重行为数据的分析。如前所述，内容分析是远程交互分析的重要研究方法。但本文着重探讨的是内容分析之外的行为分析的可行性。因此，在此案例中没有涉及内容分析的部分。
2.研究方法
本案例来自中央民族大学2011级的计算机基础课程，时间为2011年10月至2012年1月。课程内容包含计算机基础的基本内容，包括操作系统、Internet应用、Office、多媒体基础等内容。授课采用混合学习模式，以网络学习为主，面授仅有6学时，网络学习持续12周。教学过程主要依托自行搭建的Moodle教学平台进行。来自全校各个院系的106名学生参与了该课程的学习。
基于行为数据的学习分析是案例研究的主要方法。其中，着重分析了学生与资源的交互，以及学生与学生的交互。行为数据是分析的主要依据。对于整个课程而言，交互过程是较为复杂的。本文的出发点是尝试对教学交互进行分析，试图发现特定学习阶段中的交互规律，从而证明学习分析对于交互分析的可行性。
为此，交互分析中的数据选取方面做了如下设计：学生与资源的交互数据选择了整个教学过程中学生对资源的访问时间和频次；学生与学生的交互数据选择了学期开始时学生之间相互认识，建立社会性联系阶段的交互数据。Moodle平台记录下来的学生行为数据构成了本研究的数据来源。
根据两类交互分析的需要，笔者选择了不同的分析工具。其中，学生与资源的交互选择了Gismo(图形化学生交互监测系统，Graphical Interactive Student Monitoring System)。Gismo系免费软件，以 Moodle组块(Block)的形式使用[23]。Gismo通过读取 Moodle数据库对学生在线学习情况进行了可视化表征。其中，关于学生资源访问情况的相关数据和可视化表征可以成为学生与资源交互的重要解释，成为教学干预的依据。
学生与学生交互的分析选择了NodeXL这一工具。NodeXL是微软研究院团队开发的开源社会网络分析工具，其参与者还包括来自斯坦福、康奈尔、牛津、马里兰等大学的研究者。与既有社会网络分析工具不同，NodeXL以Excel模板的形式使用，在功能强大的同时，保证了分析过程的简便快捷，可以通过Excel中的数据直接生成社会网络图示[24]。
3.研究过程
Moodle自身记录了大量在线学习数据，教师用户可以在“课程管理”中的“报表”功能中找到这些日志。在本案例中，Moodle记录下了62000多条行为记录，包含了学习者登录课程、阅读课程资料、参与在线活动等多方面的活动情况。这些记录可以按不同的时间和不同的学习者进行显示，并可以导出成为文本文件和Excel文档进行进一步分析。Moodle记录下的交互数据较为完整，为深入分析提供了方便。但由于数据量大，难以直观发现其中包含的规律，且手工分析有较大难度。为了实施分析，相关工具的引入是必不可少的。
(1)学生与学习资源的交互
分析学生与资源的交互情况可以由多个视角展开，Gismo提供了由整体到个体的不同层级的交互情况分析。从宏观角度，图2显示了本课程中学生访问资源的整体情况，其中横坐标为访问日期，纵坐标为访问频次。从中观角度，图3显示了不同模块的资源被访问的情况，横坐标为资源名称，纵坐标为访问频次。从微观角度，图4显示了每个学生的资源访问情况，其中横坐标为资源名称，纵坐标为学生的学号，坐标点颜色的深浅则代表访问量的多少。颜色越深访问量越多。
图2 课程资源的总体访问情况
图3 各模块资源访问情况图
图4 每个学生的资源访问情况
(2)学生与学生的交互
对于生生交互的分析，本案例研究了学期初学生彼此认识阶段中的社会性交互情况。在此阶段中，教师要求学生完善自己的个人信息，包括兴趣爱好等。之后，学生通过Moodle中的师生名录功能访问其他人的个人信息以实现相互了解。访问信息相关的行为数据在Moodle中被记录了下来。
图5是通过NodeXL对本次学习活动中的交互分析的结果。NodeXL功能以独立选项卡的形式显示。交互数据被填写在Excel的数据栏中，右侧是根据这些交互数据计算出的社会网络图。图6是对本次学习任务中的交互行为进行聚类的结果，发现其中一组交互覆盖了95％的学生(方框框出部分)。图7是对这一组交互进行进一步分析的结果。
图5 NodeXL 支持下对学生整体在线交互情况的分析
图6 对学生在线交互进行聚类的结构
图7 对其中一组交互进行深入分析的发展
4.讨论
通过对在线行为的分析，本研究发现了一些有意义的交互现象，这些现象成为教学干预的重要依据。
(1)学生与学习资源的交互
如图2模块1所指的位置所示，课程学习开始时，学生访问教学资源较为集中，之后渐渐减少。直到模块1作业提交时，学生开始非常频繁地访问学习资源，以便及时完成作业。这种现象说明了学生不能很好管理学习时间，控制在线学习的过程。针对这一情况，教师与学生一同进行了对学习过程的反思，其中强调了在线学习中时间管理与传统课堂学习的不同。学生对在线学习的进度管理有所进步。整个学习过程中，资源访问的最高峰发生在学期大作业提交的最后期限。
(2)学生与学生的交互
图6呈现了学习活动中生生交互的整体图景。其中，可以较为清晰地发现积极参与活动的学生和游离于活动之外的学生。
图7则体现了生生之间社会性交互的一个重要细节。这一组中存在两个核心参与者(B和C)。他们分别属于不同的院系，与其他学生的交互次数最多。同时，存在一个学生(A)起到了桥(Bridge)的作用。A学生虽然没有与其他学生有频繁交互，但与两个核心参与者都有交互。基于这一发现，进一步对A学生进行访谈了解到，他与两个核心参与者因不同的原因相熟。于是，教师请A学生介绍B和C认识。在后期的学习中，B和C在多项活动中有积极交互，并对整个班级的在线学习起到了积极影响。
通过以上分析可以看出，在开源工具和平台的支持下，可以应用学习分析的思想对远程教学交互进行基于行为数据的分析。这些分析并非完备，但能够解释一些教学现象，帮助教学者了解远程教学的发展过程，并为教学干预提供了可能。
五、总结
对于远程教学交互这个重要研究领域而言，新技术的出现不仅影响着远程交互的形态，也为交互分析提供了新的思路和手段。一方面，新技术使交互行为不断向着实时化和碎片化的方向发展，使交互过程日益复杂；另一方面，新技术又是获得大量交互数据，特别是行为数据成为可能，从而使研究者和实践者有更多了解远程学习过程、实施教学干预的依据。而从行为数据到教学干预之间的桥梁则是基于特定规则的分析过程。学习分析在近两年的快速发展表明了研究者对其重要性的共识。
到目前为止，学习分析仍是一个边界模糊的领域，其研究方向多样而庞杂。需要有一个完整的模型对学习分析的内容进行清晰界定。在此基础上，需要开发一整套方法和工具。并通过多种方式与学习管理系统、移动学习应用等相整合，而这一切都必须在符合道德原则和教学原则的基础之上进行。
虽然学习分析的发展尚在起步阶段，但其倡导的多种分析方法相整合，基于行为数据的分析，已经呈现出应用于远程教学交互分析的光明前景。更加值得注意的是，学习分析视角的远程教学交互分析存在着基于开源平台的解决方案，这无疑是教育研究者和实践者的福音。
在后续研究中，笔者将尝试建立远程教学交互的学习分析模型，并在此基础上进行分析方法和分析工具的研究。